Spatial-Temporal Synchronous Graph Transformer network (STSGT) for COVID-19 forecasting
Wayne State University（韦恩州立大学）
COVID-19在过去几年已成为一个令人严重关注的问题。它对全球许多人产生了不利影响，并导致数十亿美元的商业资本损失。在本文中，我们提出了一种新的时空同步图Transformer网络（STSGT），以捕获COVID-19时间序列数据的复杂时空依赖性，并预测不断演变的大流行的未来状态。STSGT的各层将图卷积网络（GCN）与同步时空图上的Transformers自注意机制相结合，以捕获COVID时间序列的动态变化模式。时空同步图同时捕捉给定时间步和后续时间步的图的顶点之间的空间和时间依赖性，这有助于捕捉时间序列中的异质性，提高预测精度。我们在两个公开的真实世界COVID-19时间序列数据集上进行的广泛实验表明，STSGT显著优于为时空预测任务设计的最先进算法。具体而言，在12天的平均水平上，我们观察到平均绝对误差（MAE）比次优算法分别提高了12.19%和3.42%，同时预测了美国50个州和华盛顿特区的每日感染病例和死亡病例。密歇根州所有的县。代码和模型可在https://github.com/soumbane/STSGT上公开获取。
2022-10-31 cs.LG
A Spatial-Temporal Graph Based Hybrid Infectious Disease Model with Application to COVID-19
UC Irvine（加州大学欧文分校）
随着COVID-19大流行的演变，可靠的预测对政策制定起着重要作用。经典的传染病模型SEIR（易感-暴露-感染-恢复）是一个紧凑而简单的时间模型。数据驱动的机器学习模型，如RNN（递归神经网络），在有限的时间序列数据（如COVID-19）的情况下可能会受到影响。在本文中，我们将SEIR和RNN结合在一个图结构上，开发了一个混合时空模型，以实现训练和预测的准确性和效率。我们在图的结构上引入了两个特征：节点特征（局部时间感染趋势）和边特征（地理邻居效应）。对于节点特征，我们从SEIR中导出了一个离散的递归（称为I-方程），以便梯度下降法易于应用于其优化。对于边缘特征，我们设计了一个RNN模型来捕捉相邻效应，并正则化损失函数的景观，使局部极小值是有效的和鲁棒的预测。由此产生的混合模型（称为IeRNN）提高了对美国州级COVID-19新病例数据的预测准确性，在1天和7天的提前预测中表现优于标准时间模型（RNN，SEIR和ARIMA）。我们的模型适应不同程度的重新开放，并为政策制定者提供了潜在的结果。
2020-10-18 cs.LG stat.ML
Audio, Speech, Language, & Signal Processing for COVID-19: A Comprehensive Overview
University of Augsburg（奥格斯堡大学）；TCS Research（塔塔咨询服务研究院）；Imperial College London（帝国理工学院）
二零二零年，冠状病毒（COVID-19）疫情成为全球研究焦点。从收集COVID-19患者的数据到对他们进行病毒检测，我们采取了严格的措施。COVID-19的大部分症状与呼吸系统的功能有关，而呼吸系统的功能反过来又严重影响人类的语音产生系统。这促使研究重点转向识别语音和其他人类生成的音频信号中的COVID-19标记。在本文中，我们概述了使用人工智能技术进行的语音和其他音频信号、语言和基于一般信号处理的工作，以筛选、诊断、监测和传播对COVID-19的认识。我们还简要介绍了迄今为止开展的与检测COVID-19症状相关的研究。我们希望这些集体信息将有助于开发自动化系统，这可以在COVID-19的背景下使用非侵入性和易于使用的模式，如音频，语音和语言。
2020-11-29 cs.LG cs.SD eess.AS
Predicting COVID-19 Prevalence Using Wastewater RNA Surveillance: A Semi-Supervised Learning Approach with Temporal Feature Trust
Mount Holyoke College（马修斯学院）；Groton School（格罗顿学校）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
本文提出一种半监督学习方法，利用污水RNA监控数据预测新冠流行病，解决时间特征可靠性问题。
2025-11-27 cs.LG q-bio.QM stat.AP
A Temporal-oriented Broadcast ResNet for COVID-19 Detection
University of Augsburg（奥格斯堡大学）；Johannes Kepler University Linz（约翰内斯·开普勒林茨大学）；Imperial College London（帝国理工学院）
从呼吸和咳嗽等音频信号中检测COVID-19，可以作为一种快速有效的预测试方法，以减少病毒传播。由于深度学习网络在建模时间序列方面的良好效果，并且由于在野外快速识别COVID的应用程序需要较低的计算量，因此我们提出了一种面向时间的广播残差学习方法，该方法可以在较小的模型大小下实现高效计算和高精度。基于EfficientNet的结构，我们提出了一种新的基于时间的ResNet~（TorNet）网络，它由一个广播学习块（AB块）和一个卷积层组成，AB块包含多个广播残差块（BC ResBlocks）。通过AB块，该网络可以有效地获得有用的音频-时间特征和更高级别的嵌入，其计算量远远低于通常用于建模时间信息的递归神经网络（RNN）。TorNet在INTERPSEECH 2021计算副语言学挑战赛COVID-19咳嗽子挑战赛中取得了72. 2%的未加权平均召回率（UAR），这显示了具有竞争力的结果，比其他最先进的替代方案具有更高的计算效率。
2022-03-31 cs.LG cs.SD eess.AS
Tracking Short-Term Temporal Linguistic Dynamics to Characterize Candidate Therapeutics for COVID-19 in the CORD-19 Corpus
Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）
科学文献的增长往往取决于对某一领域的资助和兴趣。挖掘这些文献可以揭示可能不会立即显现的趋势。CORD-19语料库代表了不断增长的与COVID-19相关的科学文献语料库。我们检查了在药物再利用研究中确定的一组候选疗法与CORD-19语料库的时间实例的交叉点，以确定是否有可能发现并测量随时间推移与它们相关的变化。我们建议，我们使用的技术可以形成一种工具的基础，在研究过程的早期预先筛选新的候选疗法。
2021-01-09 cs.CL cs.LG q-bio.OT
Nonnegative Matrix Factorization to understand Spatio-Temporal Traffic Pattern Variations during COVID-19: A Case Study
Kyungpook National University（庆北大学）；Queensland University of Technology（昆士兰科技大学）
随着智能交通系统（ITS）的迅速发展和道路上车辆数量的不断增加，产生了大量的道路交通数据。从这些数据中了解时空交通模式至关重要，并已有效地帮助交通规划，道路建设等。然而，了解COVID-19大流行期间的交通模式非常具有挑战性和重要性，因为人和车辆的出行行为模式存在巨大差异。本文通过一个案例研究来了解COVID-19期间时空交通模式的变化。我们应用非负矩阵分解（NMF），以得出模式。NMF模型输出是根据2019年和2020年（分别为大流行之前和大流行期间）在英国观察到的时空模式行为进行分析的。所分析的时空交通模式变化行为的输出将在智能交通系统中的交通管理和在与道路交通相关的流行病或不可避免的场景的各个阶段的管理领域中是有用的。
2021-11-05 cs.CY cs.LG
Early Detection of COVID-19 Hotspots Using Spatio-Temporal Data
Georgia Institute of Technology（佐治亚理工学院）
最近，美国疾病控制和预防中心（CDC）与其他联邦机构合作，确定2019年冠状病毒病（COVID-19）发病率增加的县（热点），并为当地卫生部门提供支持，以限制疾病的传播。了解热点事件的时空动态对支持政策决策和预防大规模疫情具有重要意义。本文提出了一个时空贝叶斯框架，用于早期发现美国的COVID-19热点（县级）。我们假设观察到的病例和热点数量都取决于一类潜在的随机变量，这些变量编码了COVID-19传播的潜在时空动态。此类潜变量遵循零均值高斯过程，其协方差由非平稳核函数指定。我们的核函数最显著的特点是引入了深度神经网络来增强模型的代表性，同时仍然享有内核的可解释性。我们推导出一个稀疏模型，并使用变分学习策略来拟合模型，以规避大数据集的计算困难。与其他基线方法相比，我们的模型表现出更好的可解释性和优越的热点检测性能。
2021-11-01 cs.LG stat.AP stat.ML
CoviHawkes: Temporal Point Process and Deep Learning based Covid-19 forecasting for India
Indian Institute of Science（印度科学理工学院）
封城是遏制疫情蔓延的最有效措施之一。不幸的是，它们对民众造成了沉重的经济和情感损失，这种损失往往会超过封锁本身。这篇文章主张“本地”封锁，这是锁定目前正在经历疫情的地区。我们提出了一个基于时间点过程的机器学习工具CoviHawkes，称为CoviHawkes，它可以预测印度国家，州和地区级别的Covid-19每日病例数。我们的短期预测（$<30$天）可能有助于政策制定者确定必须主动实施当地封锁以阻止病毒传播的地区。我们的长期预测（长达几个月）模拟了在各种封锁条件下大流行的进展，从而为印度潜在的第三波病例提供了一个嘈杂的指标。大量的实验结果验证了我们的工具在各个层面上的性能。
2021-09-08 cs.LG
Pay Attention to the cough: Early Diagnosis of COVID-19 using Interpretable Symptoms Embeddings with Cough Sound Signal Processing
Saama AI Research（萨马人工智能研究院）
由SARS-CoV-2引起的COVID-19（2019冠状病毒病）大流行给人类带来了一场危险和毁灭性的灾难。在撰写本文时，没有推荐使用特定的抗病毒药物或疫苗来控制感染传播和扩散。目前COVID-19的诊断是通过逆转录聚合物链反应（RT-PCR）检测完成的。然而，这种方法是昂贵的，耗时的，并不容易在贫困地区。基于咳嗽声音特征和症状元数据设计和开发了可解释的COVID-19诊断AI框架，以克服这些限制。使用包含30000个音频片段的症状和人口统计数据的医疗数据集评估了所提出的框架的性能，其中328个咳嗽声音来自150名患者，具有四种咳嗽类别（COVID-19，哮喘，支气管炎和健康）。实验结果表明，该模型捕获了更好和鲁棒的特征嵌入，以区分COVID-19患者咳嗽和几种类型的非COVID-19咳嗽，具有更高的特异性和准确性，分别为95.04 $\pm$ 0.18%和96.83 $\pm$ 0.18%，同时保持可解释性。
2020-10-12 cs.LG cs.SD eess.AS
Analysis of the Spatio-temporal Dynamics of COVID-19 in Massachusetts via Spectral Graph Wavelet Theory
Northeast Normal University（东北师范大学）；University of Massachusetts（马萨诸塞大学）
COVID-19疫情的迅速蔓延对全球产生了重大影响。在本文中，我们使用开放数据源研究了2020年12月6日至2021年9月25日马萨诸塞州351个城镇的COVID-19数据解释和可视化。由于城市嵌入在相当复杂的交通网络中，我们构建时空动态图模型，其中图注意力神经网络被用作深度学习方法来学习马萨诸塞州主要城市之间的流行病转移概率。我们使用谱图小波变换（SGWT）在动态图上处理COVID-19数据，这使我们能够设计有效的工具来分析和检测流行病传播的时空模式。设计了一种新的节点分类方法，有效地识别出基于谱图小波系数的异常城市。它可以协助行政部门或公共卫生组织监测大流行病的传播和制定预防措施。与大多数关注确诊病例随时间演变的工作不同，我们关注的是城市间流行病演变的时空模式。通过数据分析和可视化，可以更好地了解城市一级的流行病学发展，并有助于城市特定的监测。
2022-07-28 cs.LG cs.SI physics.soc-ph
Leveraging Natural Language Processing to Mine Issues on Twitter During the COVID-19 Pandemic
Wright State University（莱特州立大学）
最近全球爆发的冠状病毒病（COVID-19）已蔓延至全球各个角落。国际旅行禁令、恐慌性购买和自我隔离的需要是这个新时代带来的许多其他社会挑战之一。Twitter平台已被用于各种公共卫生研究，以确定当地和全球范围内对事件的公众意见。为了了解公众对大流行病的关注和反应，需要一个能够利用机器学习技术过滤掉不相关的推文并识别Twitter等社交媒体平台上讨论的重要话题的系统。在这项研究中，我们构建了一个系统来识别2020年1月1日至2020年4月30日期间与COVID-19大流行相关的推文，并探索了主题建模，以识别我们数据集中在此期间讨论最多的主题和主题。此外，我们还分析了与此次大流行期间发生的事件相关的主题的时间变化。我们发现八个主题足以识别我们语料库中的主题。这些主题描绘了一个时间趋势。主要议题随时间而变化，并与COVID-19疫情相关事件一致。
2020-11-03 cs.IR cs.LG cs.SI
Extracting Major Topics of COVID-19 Related Tweets
University of Birjand（比尔詹德大学）；Birjand University of Technology（比尔詹德技术大学）
随着新型冠状病毒疫情的爆发，Twitter上的用户活跃度显著增加。一些研究调查了这一时期推文的热点话题;然而，很少有人关注呈现和分析新冠肺炎话题的时空趋势。在这项研究中，我们使用主题建模方法提取全国隔离期间（2020年3月23日至6月23日）关于Covid-19推文的全球主题。我们实施潜在狄利克雷分配（LDA）算法提取的主题，然后命名为“重新开放”，“死亡病例”，“远程办公”，“抗议”，“愤怒的表达”，“掩盖”，“药物治疗”，“社会距离”，“第二波”，和“疾病的高峰期”的标题。我们还分析了全球和四个国家的主题的时间趋势。通过分析图表，随着时间的推移改变用户对主题的关注程度，可以获得有趣的结果。
2021-10-05 cs.IR cs.LG cs.SI
What are We Depressed about When We Talk about COVID19: Mental Health Analysis on Tweets Using Natural Language Processing
Yale University（耶鲁大学）；Barcelona Supercomputing Center (BSC)（巴塞罗那超级计算中心（BSC））
2019冠状病毒病（COVID-19）最近爆发，在很大程度上影响了人类生活。除了直接的身体和经济威胁外，这一流行病还间接影响人们的心理健康状况，这种状况可能是压倒性的，但难以衡量。问题可能来自各种原因，如失业状况、居家政策、对病毒的恐惧等。在这项工作中，我们专注于应用自然语言处理（NLP）技术来分析心理健康方面的推文。我们训练了深度模型，将每条推文分类为以下情绪：愤怒、期待、厌恶、恐惧、喜悦、悲伤、惊讶和信任。我们通过手动标记1，000条英文推文来构建用于训练目的的TweetCT（Ammtion-Covid 19-Tweet）数据集。此外，我们提出并比较了两种方法，以找出导致悲伤和恐惧的原因。
2020-06-08 cs.CL cs.CY cs.LG
Temporal Deep Learning Architecture for Prediction of COVID-19 Cases in India
Bareilly College（巴雷利学院）；Jawaharlal Nehru University（贾瓦哈拉尔·尼赫鲁大学）；CSIR-Central Electronics Engineering Research Institute（CSIR-中央电子工程研究所）
为了对抗最近的2019冠状病毒病（COVID-19），学者和临床医生正在寻找新的方法来预测COVID-19爆发的动态趋势，从而可能减缓或阻止大流行。流行病学模型如易感-感染-传染（SIR）模型及其变体有助于理解流行病的动态趋势，并可用于优化传染病控制的决策。但这些基于数学假设的流行病学模型可能无法预测真正的大流行形势。最近，新的机器学习方法被用于了解COVID-19传播的动态趋势。在本文中，我们设计了递归和卷积神经网络模型：vanilla LSTM，stacked LSTM，ED-LSTM，Bi-LSTM，CNN和混合CNN+LSTM模型，以捕捉COVID-19爆发的复杂趋势，并对印度及其四个受影响最严重的州（马哈拉施特拉邦，喀拉拉邦，卡纳塔克邦和泰米尔纳德邦）的COVID-19每日确诊病例进行预测。在测试数据上计算了均方根误差（RMSE）和平均绝对百分比误差（MAPE）评估指标，以证明这些模型的相对性能。结果表明，堆叠LSTM和混合CNN+LSTM模型相对于其他模型表现最好。
2021-08-31 cs.LG q-bio.QM
COVID-19 Detection Using Slices Processing Techniques and a Modified Xception Classifier from Computed Tomography Images
Izmir Democracy University（伊兹密尔民主大学）
本研究通过切片处理和手动裁剪突出肺部区域，结合改进的Xception迁移学习模型，在COV19-CT数据库上实现了COVID-19的高效二分类检测，显著提升了验证准确率和宏F1分数。
2023-12-10 cs.CV cs.LG eess.IV
STORM-GAN: Spatio-Temporal Meta-GAN for Cross-City Estimation of Human Mobility Responses to COVID-19
University of Iowa（爱荷华大学）；University of Maryland（马里兰大学）；Worcester Polytechnic Institute（伍斯特理工学院）；University of Pittsburgh（匹兹堡大学）
在COVID-19大流行期间，人员流动性估计至关重要，因为其对政策制定者进行非药物干预具有重要指导意义。虽然深度学习方法在具有丰富训练数据的任务上优于传统估计技术，但由于数据的非平稳性、有限的观察和复杂的社会背景，不断演变的流行病对解决这一问题提出了重大挑战。现有的移动性估计工作要么集中在单个城市，要么缺乏跨城市和时间段的时空依赖性建模的能力。为了解决这些问题，我们第一次尝试通过一个深层的元生成框架来解决跨城市的人类流动性估计问题。我们提出了一个时空Meta-生成对抗网络（STORM-GAN）模型，该模型估计了在一组与COVID-19相关的社会和政策条件下的动态人类流动响应。通过一种新的基于时空任务的图（STTG）嵌入，STORM-GAN能够从估计任务的时空分布中学习共享知识，并在有限的训练样本下快速适应新的城市和时间段。STTG嵌入组件旨在捕捉城市之间的相似性，以减轻跨任务的异质性。在真实数据上的实验结果表明，该方法可以大大提高估计性能，优于基线。
2023-01-20 cs.AI cs.LG
Understanding the Spread of COVID-19 Epidemic: A Spatio-Temporal Point Process View
The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））；Microsoft Research, China（微软亚洲研究院）
自1月21日美国发现首例冠状病毒病例以来，美国已有超过100万人确诊COVID-19病例。这种传染性呼吸道疾病已在美国3000多个县和50个州迅速蔓延，并表现出进化集群和复杂的触发模式。必须了解这种疾病的复杂时空交织传播，以便进行准确的预测或明智的外部干预。在本文中，我们将COVID-19的传播建模为时空点过程，并提出了一个生成和强度无关的模型来跟踪疾病的传播。我们进一步采用生成式对抗模仿学习框架来学习模型参数。与传统的基于似然的学习方法相比，该模仿学习框架不需要预先指定强度函数，从而避免了模型误指定。此外，对抗性学习过程绕过了可能性评估中涉及的难以评估的积分，这使得模型推理对数据和变量更具可扩展性。我们展示了美国COVID-19确诊病例的动态学习性能，并基于学习的生成模型评估了社交距离政策。
2021-06-24 cs.LG stat.ML
Machine learning spatio-temporal epidemiological model to evaluate Germany-county-level COVID-19 risk
Frankfurt Institute for Advanced Studies（法兰克福高等研究院）；Beihang University（北京航空航天大学）；Black Hole KG；Goethe University Frankfurt（法兰克福歌德大学）
随着COVID-19疫情持续肆虐全球，及时提供多层次的COVID-19风险预测至关重要。为了实现这一目标并评估公共卫生政策，我们开发了一个框架，利用机器学习辅助从感染数据中提取流行病动态，其中包含一个县级时空流行病学模型，该模型将空间元胞自动机（CA）和时间易感-未诊断-排除-删除（SUIR）模型相结合。与已有的时间风险预测模型相比，CA-SUIR模型能够反映出县级政府面临的多层次风险以及不同政策下冠状病毒的传播模式。此新工具箱首次用于预测德国412个Landkreis（县）的多水平COVID-19流行率，包括t日前风险预测及对旅行限制政策的风险评估。作为一个实际的例子，我们预测圣诞节期间最严重的死亡人数为34500人，有效的政策可以将其控制在21000人以下。这种可干预的评估体系可以为大流行时的经济复苏和公共卫生政策的制定提供参考。
2020-11-30 cs.LG physics.med-ph physics.soc-ph
Spatio-Temporal Neural Network for Fitting and Forecasting COVID-19
School of Mathematical Sciences, Shanghai Jiao Tong University（上海交通大学数学科学学院）；SJTU-Paristech Elite Institute of Technology, Shanghai Jiao Tong University（上海交通大学-巴黎高科精英理工学院）；Institute for Data and Decision Analytics, Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）数据与决策分析研究所）；Normandie University（诺曼底大学）；INSA Rouen（鲁恩国立应用科学学院）；UNIROUEN（鲁昂大学）；UNIHAVRE（勒阿弗尔大学）；LITIS（信息处理与系统实验室）
我们建立了时空神经网络，即STNN，以预测2020年全球COVID-19疫情的蔓延。STNN的基本结构类似于递归神经网络（RNN），既包含时间数据，又包含空间特征。提出了两种改进的STNN结构，即增强空间状态STNN（STNN-A）和输入门STNN（STNN-I），保证了更高的可预测性和灵活性。可以使用随机梯度下降（SGD）算法及其改进的变体（例如，Adam、AdaGrad和RMSProp）。我们的STNN模型与几个经典的流行病预测模型，包括全连接神经网络（BPNN），递归神经网络（RNN），经典的曲线拟合模型，以及SEIR动力系统模型进行了比较。数值模拟表明，STNN模型优于许多其他提供更准确的拟合和预测，并通过处理空间和时间数据。
2021-03-22 cs.LG stat.ML
Combining Graph Neural Networks and Spatio-temporal Disease Models to Predict COVID-19 Cases in Germany
Ludwig Maximilian Universität（路德维希-马克西米利安大学）；Helmholtz Zentrum München – German Research Center for Environmental Health（亥姆霍兹慕尼黑中心——德国环境健康研究中心）
2020年，来自不同研究领域的许多学者对COVID-19的感染率进行了调查。在这种情况下，可靠和可解释的疾病事件预测是决策者管理医疗资源的重要工具。几位专家呼吁有必要考虑到人类流动性，以解释COVID-19的传播。现有的方法通常应用各自研究领域的标准模型。然而，这种习惯往往伴随着某些限制。例如，大多数统计或流行病学模型不能直接纳入非结构化数据源，包括可能编码人类流动性的关系数据。相比之下，机器学习方法可以通过利用这些数据结构来产生更好的预测，但缺乏直观的可解释性，因为它们通常被归类为黑盒模型。我们提出了两个研究方向之间的权衡，并提出了一种多模态学习方法，该方法结合了统计回归和机器学习模型的优势，用于预测德国当地的COVID-19病例。这种新颖的方法可以使用更丰富的数据类型集合，包括移动流和托管概率，并在我们的基准研究中在整个观察期间产生最低的MSE分数。结果证实了包括流动性数据的必要性，并展示了我们的方法的灵活性和可解释性。
2021-01-03 cs.LG stat.AP
Diagnosis/Prognosis of COVID-19 Images: Challenges, Opportunities, and Applications
Concordia Institute for Information Systems Engineering (CIISE)（康考迪亚信息系统工程研究所）；Concordia University（康考迪亚大学）；Sunnybrook Health Sciences Centre（森尼布鲁克健康科学中心）；University of Toronto（多伦多大学）；McGill University Health Center-Research Institute（麦吉尔大学健康中心研究所）；University of Calgary（卡尔加里大学）
正如我们在2020年所知，新型冠状病毒疾病COVID-19迅速而突然地改变了世界。这对分析流行病学和信号处理理论都是前所未有的挑战。鉴于其高度应急性和在世界各地的不利影响，重要的是要开发有效的处理/学习模式，以克服这一流行病，并为未来潜在的流行病做好准备。就此而言，医学影像在COVID-19的管理中扮演重要角色。然而，以人为中心的医学图像解释是繁琐的，并且可能是主观的。这导致了对开发用于分析和解释医学图像的放射组学模型的兴趣激增。信号处理（SP）和深度学习（DL）模型可以帮助开发强大的放射组学解决方案，用于诊断/预后、严重程度评估、治疗反应和COVID-19患者监测。在这篇文章中，我们旨在概述开发SP/DL授权模型用于COVID-19感染的诊断（筛查/监测）和预后（结果预测和严重程度评估）的现状，挑战和机遇。更具体地说，本文首先阐述了COVID-19分析流行病学和超信号处理理论框架的最新发展。之后，讨论了COVID-19的成像方式和放射学特征。然后描述了特定于COVID-19感染分析的基于SL/DL的放射组学模型，涵盖以下四个领域：COVID-19病变的分割;用于结果预测的预测模型;严重程度评估;以及诊断/分类模型。最后，详细介绍了开放的问题和机会。
2020-12-28 cs.CV cs.LG eess.IV
Predicting COVID-19 pandemic by spatio-temporal graph neural networks: A New Zealand's study
FPT Software AI Center（FPT软件人工智能中心）；University of California San Diego（加利福尼亚大学圣迭戈分校）；University of Warwick（华威大学）；University of Otago（奥塔哥大学）
本研究提出基于注意力的多分辨率图神经网络（ATMGNN），结合空间与时间数据预测COVID-19疫情，并在新西兰数据集上优于多种基线，未来计划扩展至实时和全球预测。
2023-05-12 cs.LG physics.soc-ph
Using natural language processing and structured medical data to phenotype patients hospitalized due to COVID-19
Duke University（杜克大学）；Duke Clinical Research Institute（杜克临床研究所）
为了识别因COVID-19住院的患者与因其他适应症住院的患者，我们比较了COVID-19住院的不同可计算表型定义的性能，这些定义使用来自电子健康记录（EHR）的不同类型数据，包括结构化EHR数据元素、提供者注释或两种数据类型的组合。并利用基于图表审查的验证进行回顾性数据分析。参与者是2022年1月期间SARS-CoV-2检测呈阳性的586名住院患者。我们使用自然语言处理来整合来自提供者笔记的数据，并使用LASSO回归和随机森林来拟合分类算法，这些算法整合了结构化EHR数据元素、提供者笔记或结构化数据和提供者笔记的组合。结果如下：根据病历审查，尽管SARS-CoV-2检测呈阳性，但586名患者中有38%被确定因COVID-19以外的原因住院。使用提供者注释的分类算法比使用结构化EHR数据元素的分类算法具有更好的区分度（AUROC：0.894 vs 0.841，p < 0.001），并且与将提供者注释与结构化数据元素相结合的模型（AUROC：0.894 vs 0.893）相似。根据人群是否包括所有SARS-CoV-2检测呈阳性的住院患者与确定因COVID-19住院的患者，对医院结局指标的评估存在显著差异。这项工作证明了自然语言处理方法的实用性，以获得与患者住院相关的信息，在这种情况下，可能有多种条件，可以作为住院治疗的主要指征。
2023-02-03 cs.CL cs.LG stat.ML
Spatio-Temporal Split Learning for Privacy-Preserving Medical Platforms: Case Studies with COVID-19 CT, X-Ray, and Cholesterol Data
Korea University（高丽大学）；Hallym University（翰林大学）；Seoul National University Hospital（首尔国立大学医院）；Dankook University（檀国大学）
机器学习需要大量的样本数据，尤其是在高精度医疗应用中。然而，患者记录是最敏感的私人信息之一，通常不会在机构之间共享。本文介绍了时空分裂学习，一种分布式深度神经网络框架，它是允许隐私敏感组织之间协作的转折点。我们的时空分裂学习展示了如何在最小的隐私问题下有效地进行分布式机器学习。拟议的分割学习由多个客户端和一个集中式服务器组成。每个客户端仅具有一个隐藏层，其充当隐私保护层，并且集中式服务器包括其他隐藏层和输出层。由于集中式服务器不需要访问训练数据，并且使用从隐私保护层接收的参数来训练深度神经网络，因此保证了原始数据的隐私性。我们创造了时空分割学习这个术语，因为多个客户端在空间上分布以覆盖来自不同参与者的不同数据集，我们可以在时间上分割学习过程，将隐私保护层与学习过程的其余部分分离，以最大限度地减少隐私泄露。本文展示了我们如何使用我们提出的多站点时空分割学习算法分析医疗数据，同时确保隐私，用于冠状病毒疾病-19（COVID-19）胸部计算机断层扫描（CT）扫描，粘膜骨骼X射线（MURA）X射线图像和胆固醇水平。
2021-08-20 cs.AI cs.LG eess.IV
Enhancing Spatio-Temporal Forecasting with Spatial Neighbourhood Fusion:A Case Study on COVID-19 Mobility in Peru
LIPADE, Université Paris Cité（巴黎Cité大学LIPADE研究所）；EDITE, Sorbonne Université（索邦大学EDITE研究所）；Télécom SudParis（南巴黎电信学院）；Institut Polytechnique de Paris（巴黎高等理工学院）；LISSI, Université Paris-Est Créteil（巴黎-est创造学院LISSI研究所）；ESIEE Paris - Université Gustave Eiffel (UGE)（巴黎ESIEE大学- Gustave Eiffel大学（UGE））；SAMOVAR, Télécom SudParis（SAMOVAR研究所，南巴黎电信学院）；The World Bank（世界银行）；De Vinci Higher Education, De Vinci Research Center（De Vinci高等教育，De Vinci研究中心）
本文提出一种轻量的空间邻域融合技术，通过聚合H3邻居信号提升时空预测性能，应用于秘鲁新冠移动性预测，取得9.85%的MSE降低效果。
2026-02-25 cs.LG
Temporal Clustering of Disorder Events During the COVID-19 Pandemic
University of Trento（特伦托大学）；University of California, Los Angeles（加州大学洛杉矶分校）；California State University at Northridge（加州州立大学北岭分校）
COVID-19大流行引发了多重公共卫生、社会经济和制度危机。为减缓病毒传播而采取的措施在当局和公民之间造成了严重的紧张关系，导致了一波又一波的社会动荡和反政府示威。我们研究了“COVID-19疾病追踪”计划所记录的大流行相关疾病事件的时间性质，重点关注事件数量最多的三个国家，印度，以色列和墨西哥。通过对数据流的泊松过程和霍克斯过程的拟合，我们发现，在这三个国家的无序事件是相互依赖和自激的。地理聚类证实了这些功能在国家以下一级，表明全国范围内的混乱出现的自我激励的中尺度模式的收敛。在计算国家以下各级群组之间事件的相关性时，观察到各国之间存在相当大的差异;这些差异是在具体的政治、社会和地理特征背景下讨论的。以色列是领土最紧凑的国家，也是为应对政府封锁而协调大规模抗议活动的国家，在事件发生后表现出最大的反应和最短的影响力，以及最强的全国同步性。在墨西哥，完全封锁命令从未被强制执行，反应性和全国同步性最低。我们的工作突出表明，当局需要促进地方宣传运动，以确保生计和病毒遏制政策不被视为相互排斥的。
2021-04-23 cs.LG econ.GN physics.soc-ph
Dual Encoding U-Net for Spatio-Temporal Domain Shift Frame Prediction
Alchera Data Technologies Ltd（Alchera数据技术有限公司）
在过去的18个月里，整个城市的流动行为格局发生了重大变化。随着COVID-19措施影响世界各地人口如何与流动性的不同方面互动，对此类行为进行准确可靠预测的能力也发生了巨大变化。这就提出了一个问题：“如何利用大量的新冠肺炎前流动性数据来预测当前/后新冠肺炎环境下的未来行为？“本文试图通过引入一种使用仅使用12个卷积层构建的轻量级双编码U-Net进行流量帧预测的方法来解决这个问题，该方法采用了一种新颖的方法来跳过卷积LSTM层之间的连接。这种方法与训练数据的直观处理相结合，可以对时间和时空域偏移进行建模（gitlab.com/alchera/alchera-traffic4cast-2021）。
2021-10-21 cs.AI cs.CV cs.LG
Modeling the geospatial evolution of COVID-19 using spatio-temporal convolutional sequence-to-sequence neural networks
INESC-ID；Instituto Superior Técnico（里斯本高等理工学院）；CERENA；ITI
欧洲受到COVID-19疫情的严重打击，而葡萄牙是受影响最严重的国家之一，于首十二个月内经历了三波疫情。大约在2021年1月19日至2月5日期间，葡萄牙是世界上发病率最高的国家，每10万居民14天的发病率超过1000。尽管COVID-19的地理空间演变具有重要意义，但准确预测COVID-19的地理空间演变仍然是一个挑战，因为现有的分析方法无法捕捉区域内传染和邻近受感染地区传染传播所导致的复杂动态。我们使用先前开发的方法和葡萄牙卫生总局（DGS）的官方市级数据，相对于大流行的前12个月，计算葡萄牙大陆每个地区的发病率估计值。随后，将由此产生的发病率图序列用作金标准，以测试不同方法在预测发病率时空演变方面的有效性。四种不同的方法进行了测试：一个简单的单元格水平自回归移动平均（ARMA）模型，单元格水平向量自回归（VAR）模型，直辖市分区SIRD模型，然后直接块顺序模拟和卷积序列到序列的神经网络模型的基础上STConvS 2S架构。我们的结论是，卷积序列到序列神经网络是最好的执行方法，预测中期的未来发病率时，使用现有的信息。
2021-05-06 cs.LG cs.NE
Identifying Radiological Findings Related to COVID-19 from Medical Literature
UC San Diego（加州大学圣地亚哥分校）
截至2020年4月3日，2019冠状病毒病（COVID-19）已在全球感染超过100万人，并导致超过55，000人死亡。放射学发现是指导COVID-19诊断和治疗的重要信息来源。然而，现有关于放射学发现与COVID-19之间关系的研究是由不同的医院分别进行的，由于人群偏见，这些研究可能不一致甚至相互冲突。为了解决这个问题，我们开发了自然语言处理方法来分析大量COVID-19文献，其中包含来自世界各地医院的研究报告，协调这些结果，并就放射学发现与COVID-19之间的相关性得出公正和普遍合理的结论。我们将我们的方法应用于CORD-19数据集，并成功提取了一组与COVID-19密切相关的放射学发现。
2020-04-04 cs.CL cs.IR cs.LG
Examining Deep Learning Models with Multiple Data Sources for COVID-19 Forecasting
University of Virginia（弗吉尼亚大学）；Biocomplexity Institute and Initiative, University of Virginia（弗吉尼亚大学生物复杂性研究所与倡议中心）
COVID-19疫情是自1918年流感大流行以来最严重的公共卫生灾难。在COVID-19等大流行期间，及时可靠地对流行动态进行时空预测至关重要。基于深度学习的时间序列预测模型最近受到欢迎，并已成功用于流行病预测。在这里，我们专注于基于深度学习的COVID-19预测模型的设计和分析。我们实现了多个基于递归神经网络的深度学习模型，并使用堆栈集成技术将它们组合在一起。为综合多种因素对COVID-19传播的影响，我们考虑多种来源，如COVID-19确诊和死亡病例数数据以及测试数据，以更好地进行预测。为了克服训练数据的稀疏性，并解决疾病的动态相关性，我们提出了基于聚类的高分辨率预测训练。这些方法有助于我们识别由于各种时空效应而导致的某些区域组的相似趋势。我们研究了用于预测县、州和国家一级每周COVID-19新确诊病例的拟议方法。对COVID-19背景下的不同时间序列模型进行了全面比较和分析。结果表明，与更复杂的模型相比，简单的深度学习模型可以实现相当或更好的性能。我们目前正在整合我们的方法，作为我们每周预测的一部分，我们提供州和联邦当局。
2020-11-23 cs.LG stat.AP
Interpreting County Level COVID-19 Infection and Feature Sensitivity using Deep Learning Time Series Models
University of Virginia（弗吉尼亚大学）
可解释机器学习在医疗保健中发挥着关键作用，因为它在理解深度学习模型预测中的特征重要性方面具有挑战性。我们提出了一个新的框架，使用深度学习来研究模型预测的特征敏感性。这项工作将敏感性分析与异构时间序列深度学习模型预测相结合，对应于时空特征的解释。我们使用时间融合Transformer预测县级COVID-19感染。然后，我们使用的灵敏度分析扩展莫里斯方法，看看如何敏感的输出相对于扰动我们的静态和动态输入功能。这项工作的重要性是基于现实世界的COVID-19感染预测，其中包含高度非平稳、细粒度和异构的数据。1)我们的模型可以捕获时间和空间模型行为的详细日常变化，并实现了与PyTorch基线相比的高预测性能。2)通过分析Morris敏感性指数和注意模式，我们解释了特征重要性的意义与观察人口和动态模型的变化。3)我们收集了美国3142个县2.5年的社会经济和健康特征，例如观察到的病例和死亡，以及一些静态（年龄分布，健康差异和行业）和动态特征（疫苗接种，疾病传播，传染性病例和社交距离）。使用所提出的框架，我们进行了广泛的实验，并表明我们的模型可以学习复杂的相互作用，并在县一级对每日感染进行预测。能够在县一级用莫里斯指数混合预测和描述准确性测量来建模疾病感染是一个中心思想，它通过敏感性分析揭示了个体特征解释。
2022-10-06 cs.LG
Leveraging graph neural networks and mobility data for COVID-19 forecasting
Postgraduate Program in Computer Science, Federal University of Ouro Preto（奥鲁普托联邦大学计算机科学研究生院）；Department of Computing, Federal University of Ouro Preto（奥鲁普托联邦大学计算机系）；National Center for Monitoring and Early Warning of Natural Disasters（国家自然灾害监测与预警中心）
本文通过图神经网络和移动数据预测新冠疫情，发现图结构稀疏化和时间粒度影响模型效果，GNN在预测波动病例数时优于传统LSTM。
2026-04-20 cs.LG cs.SI
Artificial Intelligence in the Battle against Coronavirus (COVID-19): A Survey and Future Research Directions
Deakin University（迪肯大学）；Griffith University（格里菲斯大学）；Monash University（莫纳什大学）；Stanford University（斯坦福大学）；Kumoh National Institute of Technology（韩国国立金乌工科大学）；Ho Chi Minh City University of Technology (HUTECH)（胡志明市工业大学）；Pusan National University（釜山大学）；University of New South Wales（新南威尔士大学）；Johns Hopkins University（约翰斯·霍普金斯大学）
人工智能（AI）已经以各种方式广泛应用于我们的日常生活中，并有许多成功的案例。人工智能还为应对全球范围内发生的冠状病毒病（COVID-19）大流行做出了贡献。本文介绍了在抗击COVID-19疫情的各种应用中使用的人工智能方法的调查，并概述了人工智能研究在这场前所未有的战斗中的关键作用。我们涉及人工智能作为重要组成部分的领域，从医学图像处理，数据分析，文本挖掘和自然语言处理，物联网，到计算生物学和医学。本报告亦呈列可供研究用途的COVID-19相关数据来源概要。深入探讨了挖掘人工智能的潜力，增强其在抗击疫情中的能力和力量的研究方向。我们确定了与COVID-19大流行相关的13组问题，并强调了可用于解决这些问题的有前途的人工智能方法和工具。预计这项研究将为人工智能研究人员和更广泛的社区提供人工智能应用现状的概述，并激励研究人员利用人工智能在抗击COVID-19方面的潜力。
2022-03-17 cs.AI cs.CY cs.LG
Dartmouth CS at WNUT-2020 Task 2: Informative COVID-19 Tweet Classification Using BERT
Dartmouth College（达特茅斯学院）
我们描述了为WNUT-2020共享任务2开发的系统，即识别信息丰富的COVID-19英语推文。BERT是一种高性能的自然语言处理模型。我们通过微调BERT并将其嵌入与推文特定特征相连接，并训练支持向量机（SVM）进行分类（以下称为BERT+），提高了BERT在此分类任务中的性能。我们将其性能与一套机器学习模型进行了比较。我们使用Twitter特定的数据清洗管道和单词级TF-IDF来提取非BERT模型的特征。BERT+是表现最好的模型，F1得分为0.8713。
2020-12-07 cs.CL cs.LG
Enhancing COVID-19 Severity Analysis through Ensemble Methods
Indian Institute of Technology Madras（印度理工学院马德拉斯分校）
计算机断层扫描（CT）扫描提供了肺部的详细图像，使临床医生能够观察COVID-19造成的损害程度。基于CT严重度评分（CTSS）的评分方法用于识别CT扫描上观察到的肺部受累程度。本文提出了一种基于领域知识的管道，用于使用图像处理算法和预训练的UNET模型的组合来提取COVID-19患者的感染区域。然后使用三种机器学习模型的集合将感染的严重程度分类为不同的类别：极端梯度提升，极端随机树和支持向量机。该系统在人工智能医学图像分析研讨会和COVID-19诊断竞赛（AI-MIA-COV 19 D）的验证数据集上进行了评估，并获得了64%的宏观F1评分。这些结果证明了将领域知识与机器学习技术相结合，使用CT扫描进行准确COVID-19诊断的潜力。建议的严重性分析系统的实施可在\textit{https://github.com/aanandt/Enhancing-COVID-19-Severity-Analysis-through-Ensemble-Methods.git }上获得
2023-03-17 cs.CV cs.LG eess.IV
